基于MATLAB实现的带混沌扰动的PSO算法，应用到图像二阈值分割+使用说明文档.rar

function [nbest,fbest,nger]=CLSPSOTwoEntropic(I,I_mean) %I_mean是对的 %H = fspecial('average'); %G = imfilter(I, H, 'same');%G为滤波后图像矩阵 I_2Dhist=zeros(256,256); for j = 1:1:size(I,2) for i = 1:1:size(I,1) m1 = I(i, j); m2 = I_mean(i, j); I_2Dhist(m1+1, m2+1) = I_2Dhist(m1+1, m2+1)+1; end end %Lightn=ones(N,1);%*10^100; Nt=size(I,1)*size(I,2);%Nt是总的像素数？ Lmax=256; %256 different maximum levels are considered in an image (i.e., 0 to 255) MaxC=10;%混沌搜索的最大步数:MaxC %N=100; N=50;%初始化参数，萤火虫个数，阈值数，最大迭代数，以及alpha,beta,gamma N_PAR=4; %N_GER=100; N_GER=100;%迭代次数 PHI1 = 0.8; %individual weight of particles？？加速因子？个体权重 PHI2 = 0.8; %social weight of particles粒子的群体权重 W = 1.2; %inertial factor惯性因子 vmin=-5; vmax=5;%速度上下限 vR=zeros(N,N_PAR); %velocities of particles粒子速度 X_MAXR = Lmax*ones(1,N_PAR); X_MINR = ones(1,N_PAR); gBestR = zeros(1,N_PAR);%全局最优 gbestvalueR = -10000; gauxR = ones(N,1); xBestR=zeros(N,N_PAR); fitBestR=zeros(N,1); fitR = zeros(N,1); xR = zeros(N,N_PAR); H = zeros(N,1); for i=1:256 for j=1:256 I_2Dhist(i, j) = I_2Dhist(i, j) / Nt; end end for i = 1: N %初始化N个粒子的位置，即firefly程序中的init_ffa，xR相当于ns()。初始化 for j = 1: N_PAR xR(i,j) = fix(rand(1,1) *255); end end nger=1; for j=1:N fitR(j) = TwoEntropic(I_2Dhist,xR,j); %计算二维熵适应度函数值 fitBestR(i)=fitR(i);%适应度值付给适应度最佳值 end [aR,bR]=max(fitR);%aR为最大的fitR值，bR为相应的行数 gBestR=xR(bR,:);%gBestR为xR中bR行的所有数据，即全局最优阈值 gbestvalueR = fitR(bR);%全局最优阈值所对应的目标函数值 xBestR = xR;%?? while(nger<=N_GER) i=1; randnum1 = rand ([N, N_PAR]); randnum2 = rand ([N, N_PAR]); vR = fix(W.*vR + randnum1.*(PHI1.*(xBestR-xR)) + randnum2.*(PHI2.*(gauxR*gBestR-xR))); vR = ( (vR <= vmin).*vmin ) + ( (vR > vmin).*vR );%判断vR有没有跑出界 vR = ( (vR >= vmax).*vmax ) + ( (vR < vmax).*vR ); xR = xR+vR;%公式 xR = ( (xR <= X_MINR(1)).*X_MINR(1) ) + ( (xR > X_MINR(1)).*xR );%判断xR是否跑出界，如果跑出界，则按最大最小值处理 xR = ( (xR >= X_MAXR(1)).*X_MAXR(1) ) + ( (xR < X_MAXR(1)).*xR ); for j = 1:N %修正范围？使xR不跑出范围之外？ for k = 1:N_PAR if (k==1)&&(k~=N_PAR) if xR(j,k) < X_MINR(k) xR(j,k) = X_MINR(k); elseif xR(j,k) > xR(j,k+1) xR(j,k) = xR(j,k+1); end end if ((k>1)&&(k<N_PAR)) if xR(j,k) < xR(j,k-1) xR(j,k) = xR(j,k-1); elseif xR(j,k) > xR(j,k+1) xR(j,k) = xR(j,k+1); end end if (k==N_PAR)&&(k~=1) if xR(j,k) < xR(j,k-1) xR(j,k) = xR(j,k-1); elseif xR(j,k) > X_MAXR(k) xR(j,k) = X_MAXR(k); end end if (k==1)&&(k==N_PAR) if xR(j,k) < X_MINR(k) xR(j,k) = X_MINR(k); elseif xR(j,k) > X_MAXR(k) xR(j,k) = X_MAXR(k); end end end end % while(i<=N) % if(i==N) for j=1:N fitR(j) = TwoEntropic(I_2Dhist,xR,j); %计算二维熵适应度函数值 if fitR(j) > fitBestR(j) fitBestR(j) = fitR(j); xBestR(j,:) = xR(j,:); end end [aR,bR] = max (fitR); if (abs(aR-gbestvalueR)<0.0001) break end if (fitR(bR) > gbestvalueR) gBestR=xR(bR,:)-1; gbestvalueR = fitR(bR); end %混沌 [sort_fv,index]=sort(fitR,1,'descend'); Nbest=floor(N*0.1); %保留群体中20%的最佳粒子 for n=1:Nbest %对群体中20%的最佳粒子进行混沌搜索 tmpx=xR(index(n),:); for k=1:MaxC %混沌搜索的最大步数 for dim=1:N_PAR %混沌搜索的迭代公式 cx(dim)=(tmpx(1,dim)-X_MINR(dim))/(X_MAXR(dim)-X_MINR(dim));%原来的CLSPSO公式有问题 cx(dim)=4*cx(dim)*(1-cx(dim));%Logistic映射 u=4 tmpx(1,dim)=X_MINR(dim)+cx(dim)*(X_MAXR(dim)-X_MINR(dim));%原来的CLSPSO公式有问题 end tmpx=fix(tmpx); for k = 1:N_PAR if (k==1)&&(k~=N_PAR) if tmpx(1,k) < X_MINR(k) tmpx(1,k) = X_MINR(k); elseif tmpx(1,k) > xR(1,k+1) tmpx(1,k) = tmpx(1,k+1); end end if ((k>1)&&(k<N_PAR)) if tmpx(1,k) < tmpx(1,k-1) tmpx(1,k) = tmpx(1,k-1); elseif tmpx(1,k) > tmpx(1,k+1) tmpx(1,k) = tmpx(1,k+1); end end if (k==N_PAR)&&(k~=1) if tmpx(1,k) < tmpx(1,k-1) tmpx(1,k) = tmpx(1,k-1); elseif xR(1,k) > X_MAXR(k) tmpx(1,k) = X_MAXR(k); end end if (k==1)&&(k==N_PAR) if tmpx(1,k) < X_MINR(k) tmpx(1,k) = X_MINR(k); elseif tmpx(1,k) > X_MAXR(k) tmpx(1,k) = X_MAXR(k); end end end fcs = TwoEntropic(I_2Dhist,tmpx,1); %计算二维熵适应度函数值 if fcs>sort_fv(n) %对混沌搜索后的决策变量值进行评估 xR(index(n),:)=tmpx; break; end end xR(index(n),:)=tmpx; end % r=rand(); % for s=1:N_PAR %收缩搜索区域 % X_MINR(s)=max(X_MINR(s),gBestR(s)-r*(X_MAXR(s)-X_MINR(s))); % X_MAXR(s)=min(X_MAXR(s),gBestR(s)+r*(X_MAXR(s)-X_MINR(s))); % end % xR(1:Nbest,:)=xR(index(1:Nbest),:); % for i=(Nbest+1):N %随机产生剩余的80%微粒 % for j=1:N_PAR % xR(i,j)=fix(X_MINR(j)+rand*(X_MAXR(j)-X_MINR(j))); %随机初始化位置 % vR(i,j)=rand; %随机初始化速度 % end % end %end 混沌 %RGB image nger=nger+1; % end % i=i+1; % end end % gbestvalueR gBestR=sort(gBestR);%全局最优阈值排序 fbest=gbestvalueR; if nargout>1 nbest=gBestR; %return optimal intensity if nargout>2 fbest=gbestvalueR; %return fitness value end end